Membaca dan Mengedit PDF dan Dokumen Word dari Python

Dokumen PDF

PDF adalah Portable Document Format yang berisi teks, gambar, bagan, dan lain-lain, berbeda dengan file teks biasa. Ini adalah berkas dengan ekstensi '.pdf' dan diciptakan oleh Adobe. Jenis file ini independen dari platform apa pun seperti perangkat lunak, perangkat keras, dan sistem operasi.

Langkah untuk Menginstal Paket:

1. Anda perlu menginstal paket bernama "pypdf2" yang dapat menangani file dengan ekstensi '.pdf'.

2. Anda dapat melihat paket 'pypdf2' telah terinstal seperti ditunjukkan di bawah ini.

Membaca Dokumen PDF dan Mengekstrak Data

Anda hanya akan mengekstrak teks dari file PDF karena PyPDF2 memiliki keterbatasan dalam mengekstrak konten rich media. Logo, gambar, dan sebagainya tidak dapat diekstrak — file PDF berikut perlu diunduh untuk mengikuti tutorial ini.
Unduh file PDF

Pernyataan 'import' pada kode di atas mengambil modul PyPDF2. Anda perlu menggunakan 'open('pdfFileName' , 'openingMode')' di mana 'pdfFilename' adalah 'test.pdf', dan 'openingMode' adalah 'rb' yaitu mode baca saja dalam format biner.

PyPDF2 memiliki metode 'PdfFileReader', yang menerima objek baru 'pdfFileObject'. Sekarang Anda dapat mengakses atribut bernama 'numPages' dari 'pdfFileObject', yang memberikan jumlah total halaman.

Output di atas adalah 1. Karena Anda dapat melihat file PDF hanya terdiri dari satu halaman.

Anda dapat menggunakan metode 'getPage(0)' di dalam pdfReaderObject untuk mendapatkan halaman pertama. Hasilnya kemudian disimpan dalam 'firstPageObject' di mana semua teks dalam halaman tersebut dapat dicetak dengan menggunakan metode 'extractText()'.

Kode di atas mengambil semua teks dari file PDF. Namun, gambar tidak ditampilkan di terminal, yang tidak dapat diperoleh menggunakan pyPDF2.

Menggabungkan Beberapa File PDF menjadi Satu PDF

Anda akan menggabungkan dua file PDF berbeda menjadi satu file PDF. File PDF lama adalah yang sebelumnya Anda kerjakan, sedangkan file PDF baru dapat diunduh dari tautan berikut:
File PDF baru.

Anda akan mengimpor modul PdfFileMerger dari paket PyPDF2, yang membantu menggabungkan file PDF. 'path' ditetapkan, yang menunjukkan jalur folder tempat file berada. Selain itu, file PDF yang akan digabungkan dimasukkan ke dalam 'pdf_files' dalam sebuah daftar.

Anda dapat melihat objek merger dibuat dengan 'PdfFileMerger.' Perulangan dilakukan untuk setiap file dalam daftar, di mana penggabungan dilakukan dengan meneruskan path dan file ke metode 'append'. Terakhir, keluaran akhir dapat diperoleh dengan menggunakan 'merger.write()' di mana konten yang digabungkan diperoleh dengan nama file PDF baru.

Gambar di atas menunjukkan 'merged.pdf,' yang berisi konten gabungan dari 'test.pdf' dan 'test-1.pdf'.

Dokumen Word

Dokumen Word memiliki ekstensi ".docx" di akhir nama file. Dokumen ini tidak hanya berisi teks seperti pada file teks biasa, tetapi merupakan dokumen rich text. Dokumen rich text memiliki berbagai struktur untuk dokumen, seperti ukuran, perataan, warna, gambar, font, dan sebagainya yang terkait dengannya.

Anda memerlukan aplikasi untuk bekerja dengan Dokumen Word. Aplikasi populer untuk sistem operasi Windows dan Mac adalah Microsoft Word, tetapi merupakan platform berlangganan berbayar. Namun, ada alternatif gratis seperti "LibreOffice", yaitu aplikasi di Linux yang hadir pra-instal. Aplikasi tersebut dapat diunduh untuk sistem operasi Windows dan Mac. Tutorial ini akan menggunakan Microsoft Word di sistem operasi Windows.

Langkah untuk Menginstal Paket

1. Anda perlu menginstal paket bernama "python-docx" yang dapat menangani dokumen Word dengan ekstensi '.docx'.

2. Anda dapat melihat paket 'python-docx' telah terinstal seperti ditunjukkan di bawah ini.

Anda dapat menulis kode di shell interaktif yang disediakan oleh Python, tetapi lebih disarankan menggunakan Teks Editor. Jadi, Sublime Text digunakan untuk bagian pengodean dalam tutorial ini.

Menulis Dokumen Word

Terlihat di atas modul 'document' diimpor dari paket 'docx' pada baris pertama. Kode pada baris kedua membuat dokumen Word baru dengan bantuan objek Document. Nama file disimpan sebagai 'first.docx' menggunakan 'document.save()'.

Menambahkan Heading

Kode di atas berisi 'Document()' yang membuka file baru dan 'document.save('addHeader.docx')' digunakan untuk membuat file docx yang baru diedit. Anda dapat menambahkan heading melalui metode 'add_heading('text,' level=number),' yang menerima teks sebagai heading, dan level heading mulai dari 0 hingga 4.

Kode di atas menghasilkan output berupa file 'addedHeader.docx' yang baru dibuat, di mana level 0 membuat headline dengan garis horizontal di bawah teks, sedangkan heading level 1 adalah heading utama. Demikian pula, heading lainnya adalah subheading dengan ukuran font yang menurun.

Menambahkan Paragraf

Kode di atas berisi 'Document()' yang membuka file dokumen baru dan 'document.save('addParagraph.docx')' digunakan untuk membuat file docx yang baru diedit. Anda dapat menambahkan paragraf melalui metode 'add_paragraph('text,' style='required_style')' yang menerima teks, dan 'style' adalah argumen opsional di mana 'List Number' dan 'List Bullet' dapat digunakan.

Kode di atas menghasilkan output berupa file 'addedParagraph.docx' yang baru dibuat, di mana ada paragraf sederhana pada baris pertama. Demikian pula, terdapat sebuah heading, dan di bawahnya terdapat daftar terurut berisi item bernomor 1 dan 2. Di bawahnya lagi ada heading lain yang berisi dua item dalam daftar berpoin tidak terurut.

Menambahkan Gambar

Kode di atas berisi 'Document(),' yang membuat file dokumen baru, dan 'document.save('addPicture.docx')' digunakan untuk membuat file docx yang baru diedit. Anda dapat menambahkan gambar dengan menggunakan 'add_picture()' yang parameter pertamanya adalah 'cat-1.jpeg' sebagai path untuk gambar kucing. Lebar dan tinggi adalah parameter opsional yang secara bawaan adalah '72 dp,' tetapi di sini kita menggunakan 'Inches' untuk keperluan kita.

Kode di atas menghasilkan output berupa file 'addedPicture.docx' yang baru dibuat, yang berisi gambar kucing dengan lebar dan tinggi 1,25 inci.

Membaca Dokumen Word

Sekarang Anda akan membaca contoh dokumen Word dari Python, dan dapat ditemukan di:
Unduh Contoh.

Baris pertama dalam kode mengimpor Document dari modul 'docx', yang digunakan untuk meneruskan file dokumen yang diperlukan dan membuat objek. 'obtainText' adalah fungsi yang menerima file 'fullText.docx.' Perulangan dilakukan untuk setiap paragraf yang diakses oleh 'document.paragraphs' dan dimasukkan ke dalam daftar kosong menggunakan metode 'append'. Terakhir, fungsi mengembalikan daftar paragraf yang diakhiri dengan baris baru.

Keluaran di atas memberikan teks polos tanpa gaya, warna, dan sebagainya, yang bukan merupakan dokumen rich text.

Selamat

Selamat, Anda telah selesai membaca tutorial ini.

Jika Anda ingin mempelajari lebih lanjut tentang impor data di Python, coba kursus DataCamp Introduction to Importing Data in Python.

Lihat juga Tutorial Struktur Data Python kami.

Anda juga dapat melihat sumber daya berikut untuk memperluas pengetahuan Anda tentang topik tertentu.

1. Dokumentasi Python Docx
2. Dokumentasi PyPDF2

Referensi:
Automate Boring Stuff With Python: Working with Word Documents